自我进化AI

自我进化AI

让智能体从每次交互中持续学习,自动捕获经验、错误与纠正,并通过模式复发追踪将高频问题晋升为项目级规则。

快速开始(3步启用)

1. 初始化记忆目录

mkdir -p .learnings

1. 识别情境并记录(参见下方决策表)

2. 定期评审与晋升(参见晋升机制)

情境决策表

记录格式

学习条目

追加到 .learnings/LEARNINGS.md:

## [LRN-YYYYMMDD-XXX] category

**Logged**: ISO-8601时间戳
**Priority**: low | medium | high | critical
**Status**: pending
**Area**: frontend | backend | infra | tests | docs | config

### Summary
一句话描述学到了什么

### Details
完整上下文:发生了什么、哪里错了、正确做法是什么

### Suggested Action
具体的修复或改进建议

### Metadata
- Source: conversation | error | user_feedback
- Related Files: path/to/file.ext
- Tags: tag1, tag2
- See Also: LRN-20250110-001(关联已有条目)
- Pattern-Key: simplify.dead_code | harden.input_validation(可选,用于复发模式追踪)
- Recurrence-Count: 1(可选)
- First-Seen: 2025-01-15(可选)
- Last-Seen: 2025-01-15(可选)

---

错误条目

追加到 .learnings/ERRORS.md:

## [ERR-YYYYMMDD-XXX] skill_or_command_name

**Logged**: ISO-8601时间戳
**Priority**: high
**Status**: pending
**Area**: frontend | backend | infra | tests | docs | config

### Summary
简要描述什么失败了

### Error

实际错误消息或输出

### Context
- 尝试的命令/操作
- 使用的输入或参数
- 相关环境详情

### Suggested Fix
如果能识别,什么可能解决这个问题

### Metadata
- Reproducible: yes | no | unknown
- Related Files: path/to/file.ext
- See Also: ERR-20250110-001(如复发)

---

特性请求条目

追加到 .learnings/FEATURE_REQUESTS.md:

## [FEAT-YYYYMMDD-XXX] capability_name

**Logged**: ISO-8601时间戳
**Priority**: medium
**Status**: pending
**Area**: frontend | backend | infra | tests | docs | config

### Requested Capability
用户想要做什么

### User Context
为什么需要,在解决什么问题

### Complexity Estimate
simple | medium | complex

### Suggested Implementation
如何构建,可能扩展什么

### Metadata
- Frequency: first_time | recurring
- Related Features: existing_feature_name

---

ID生成规则

格式: TYPE-YYYYMMDD-XXX

• TYPE: LRN(学习)、ERR(错误)、FEAT(特性)
• YYYYMMDD: 当前日期
• XXX: 顺序号或随机3字符(如 001、A7B)

示例: LRN-20250115-001、ERR-20250115-A3F、FEAT-20250115-002

条目状态流转

pending → in_progress → resolved
                     ↘ wont_fix(附原因)
                     ↘ promoted(晋升到项目记忆)
                     ↘ promoted_to_skill(提取为可复用技能)

修复问题后更新条目:

1. 将 **Status**: pending 改为 **Status**: resolved
2. 在Metadata后添加解决块:

### Resolution
- **Resolved**: 2025-01-16T09:00:00Z
- **Commit/PR**: abc123 或 #42
- **Notes**: 简要描述做了什么

晋升到项目记忆

当学习具有广泛适用性(非一次性修复)时,晋升为永久项目记忆。

晋升时机

• 学习适用于多个文件/功能
• 任何贡献者(人或AI)都应知道的知识
• 防止重复犯错
• 记录项目特定约定

晋升目标

晋升步骤

1. 提炼学习为简洁规则或事实
2. 添加到目标文件的适当章节(必要时创建文件)
3. 更新原始条目:
   • **Status**: pending → **Status**: promoted
   • 添加 **Promoted**: CLAUDE.md

晋升示例

学习条目(冗长):

项目使用 pnpm workspaces。尝试 npm install 但失败。 Lock file 是 pnpm-lock.yaml。必须用 pnpm install。

CLAUDE.md中(简洁):

## 构建与依赖
- 包管理器: pnpm(非npm) - 使用 `pnpm install`

模式复发追踪(差异化核心)

复发检测工作流

记录与已有条目相似的内容时:

1. 先搜索: grep -r "keyword" .learnings/
2. 链接条目: 在Metadata添加 **See Also**: ERR-20250110-001
3. 递增计数: 如有Pattern-Key,递增 Recurrence-Count
4. 提升优先级: 如问题持续复发,提升优先级
5. 考虑系统性修复: 复发问题通常表明:
   • 文档缺失(→ 晋升到 CLAUDE.md)
   • 自动化缺失(→ 添加到 AGENTS.md)
   • 架构问题(→ 创建技术债工单)

晋升规则(系统提示反馈)

当以下条件全部满足时,将复发模式晋升到代理上下文/系统提示文件:

• Recurrence-Count >= 3
• 跨至少2个不同任务出现
• 在30天窗口内发生

晋升目标:

• CLAUDE.md
• AGENTS.md
• .github/copilot-instructions.md

将晋升规则写成简短的预防规则(编码前/中做什么),而非冗长的事故报告。

简化与加固馈送

从简化与加固工作流摄入复发模式:

1. 读取任务摘要中的候选模式
2. 对每个候选,使用 pattern_key 作为稳定去重键
3. 搜索 .learnings/LEARNINGS.md 中已有该键的条目:
   • grep -n "Pattern-Key: " .learnings/LEARNINGS.md
4. 找到则:递增Recurrence-Count、更新Last-Seen、添加See Also链接
5. 未找到则:创建新 LRN-... 条目,设 Source: simplify-and-harden,设Pattern-Key、Recurrence-Count: 1、First-Seen/Last-Seen

自动检测触发器

自动在以下情况记录:

纠正(→ learning,类别=correction)

• "不对,那不是..."
• "实际上应该是..."
• "你错了关于..."
• "那个过时了..."

特性请求(→ feature request)

• "你能不能也..."
• "我希望你能..."
• "有没有办法..."
• "为什么不能..."

知识缺口(→ learning,类别=knowledge_gap)

• 用户提供了你不知道的信息
• 你引用的文档已过时
• API行为与你的理解不同

错误(→ error entry)

• 命令返回非零退出码
• 异常或堆栈跟踪
• 意外输出或行为
• 超时或连接失败

优先级指南

区域标签

用于按代码区域过滤学习:

定期评审

评审时机

• 开始新主要任务前
• 完成功能后
• 在有历史学习的区域工作时
• 活跃开发期间每周

快速状态检查

grep -h "Status**: pending" .learnings/*.md | wc -l
grep -B5 "Priority**: high" .learnings/*.md | grep "^## ["
grep -l "Area**: backend" .learnings/*.md

评审动作

• 解决已修复项
• 晋升适用学习
• 链接相关条目
• 升级复发问题

自动技能提取

当学习足够有价值可成为可复用技能时,使用提供的助手提取。

提取标准(满足任一即可)

提取工作流

1. 识别候选: 学习满足提取标准
2. 运行助手(或手动创建):

   ./skills/self-evolving-ai/scripts/extract-skill.sh skill-name --dry-run
   ./skills/self-evolving-ai/scripts/extract-skill.sh skill-name
   

3. 定制SKILL.md: 用学习内容填充模板
4. 更新学习: 设状态为 promoted_to_skill,添加 Skill-Path
5. 验证: 在新会话中读取技能确保自包含

技能质量门禁

提取前验证:

• 解决方案已测试且有效
• 描述清晰无需原始上下文
• 代码示例自包含
• 无项目特定硬编码值
• 遵循技能命名约定(小写、连字符)

多代理支持

本技能跨不同AI编码代理工作,具有代理特定激活。

Claude Code

• 激活: 钩子(UserPromptSubmit、PostToolUse)
• 设置: .claude/settings.json 配置钩子
• 检测: 通过钩子脚本自动

Codex CLI

• 激活: 钩子(UserPromptSubmit、PostToolUse) — 实验性,需在config.toml启用 codex_hooks = true
• 设置: /.codex/hooks.json 或 ~/.codex/hooks.json
• 检测: 通过钩子脚本自动
• 回退: 如钩子不可用,将自改进指导添加到 AGENTS.md

GitHub Copilot

• 激活: 指令文件(Copilot钩子可记录日志但不能注入上下文)
• 设置: 添加到 .github/copilot-instructions.md:

## 自我进化

解决非显而易见的问题后,考虑记录到 `.learnings/`:
1. 使用自我进化AI技能格式
2. 用See Also链接相关条目
3. 将高价值学习晋升为技能

在聊天中询问:"应该把这个记录为学习吗?"

钩子快速设置(Claude Code)

{
  "hooks": {
    "UserPromptSubmit": [{
      "hooks": [{
        "type": "command",
        "command": "${CLAUDE_PROJECT_DIR}/.claude/skills/self-evolving-ai/scripts/activator.sh"
      }]
    }],
    "PostToolUse": [{
      "matcher": "Bash",
      "hooks": [{
        "type": "command",
        "command": "${CLAUDE_PROJECT_DIR}/.claude/skills/self-evolving-ai/scripts/error-detector.sh"
      }]
    }]
  }
}

钩子接收事件payload为stdin的JSON。错误检测器从JSON解析 tool_response 并返回提醒作为 additionalContext JSON输出。

最佳实践

1. 立即记录 - 问题发生后上下文最鲜活
2. 具体明确 - 未来代理需要快速理解
3. 包含复现步骤 - 特别是错误
4. 链接相关文件 - 使修复更容易
5. 建议具体修复 - 而非仅"调查"
6. 使用一致类别 - 启用过滤
7. 积极晋升 - 如有疑问,添加到CLAUDE.md
8. 定期评审 - 过时的学习失去价值

Gitignore选项

保持学习本地(每开发者):

.learnings/

在仓库中追踪(团队共享): 不添加到.gitignore,学习成为共享知识。

混合(追踪模板,忽略条目):

.learnings/*.md
!.learnings/.gitkeep

常见问题FAQ

Q: 学习条目太多导致上下文膨胀怎么办? A: 使用按需加载机制。主文档只保留快速参考表,详细条目通过grep按需检索。定期将高价值学习晋升到CLAUDE.md后,可在.learnings/中标记为promoted,减少重复加载。

Q: 如何判断学习是否应该晋升? A: 满足以下任一条件即考虑晋升:跨2+任务复发(Recurrence-Count>=3)、适用于多个文件/功能、任何贡献者都应知道、防止重复犯错。

Q: 不同代理平台如何兼容? A: 核心记忆格式(LEARNINGS.md/ERRORS.md/FEATURE_REQUESTS.md)跨平台通用。平台差异仅在激活方式:Claude Code用钩子、Codex用hooks.json、Copilot用指令文件。

Q: 模式复发追踪如何避免误报? A: 使用Pattern-Key作为稳定去重键,要求Recurrence-Count>=3且跨2个不同任务且30天窗口内才晋升。单一任务内的重复不计入。

故障排查

依赖说明

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent(Claude Code / Cursor / Codex / Gemini CLI等)
• 操作系统: Windows / macOS / Linux
• Shell: bash(钩子脚本需要)

第三方依赖

API Key 配置

• 本技能基于Markdown指令,无需额外API Key

可用性分类

• 分类: MD+EXEC(纯Markdown指令,部分功能需要exec命令行执行能力)
• 说明: 基于Markdown的AI Skill,通过自然语言指令驱动Agent执行任务。核心记忆功能仅需Markdown,钩子与脚本功能需要exec能力。